Geekbench: 실제로 작동하는 방식

스마트폰과 컴퓨터를 벤치마킹하려면 몇 가지 다른 범주에서 장치 성능을 테스트해야 합니다. 그래픽 성능, 인공 지능, 계산 등 다양한 지표를 비교할 수 있습니다. Geekbench는 벤치마킹 세계의 주요 요소가 된 벤치마크이며 주로 계산에 중점을 둡니다. Geekbench 6이 최신 버전인데 정확히 무엇인가요? 무엇을, 어떻게 테스트하나요?

긱벤치란 무엇인가요?

Geekbench는 장치의 단일 코어 및 멀티 코어 계산 기능 모두에 점수를 부여할 수 있는 크로스 플랫폼 벤치마킹 애플리케이션입니다. 이 점수는 인접한 장치와의 비교 지점으로 사용될 수 있으며 기본 점수는 2,500점입니다. Primate Labs에서는 Intel Core를 탑재한 Dell Precision 3460의 점수라고 말합니다. i7-12700. 물론, Geekbench 6 점수를 살펴보면 해당 특정 CPU가 2000점을 간신히 긁는 것으로 보입니다. 싱글 코어이지만 그 외에도 5000점을 받은 장치는 2배의 성능을 갖는다고 전제합니다. i7-12700.

Geekbench 6의 경우 Geekbench 벤치마킹 제품군의 최신 버전이며 다음을 목표로 합니다. 다음 중 하나를 사용할 때 실제로 중요한 방식으로 스마트폰의 기능을 측정합니다. 최고의 휴대폰.

• 최신 스마트폰(12-48MP)으로 촬영한 해상도의 더 큰 사진
• 현대 웹 디자인 표준을 대표하는 HTML 예제
• 가져오기 테스트를 위한 더 큰 이미지 라이브러리
• 내비게이션 테스트를 위한 더 큰 지도
• 더 크고 현대적인 PDF 예제
• Clang 워크로드 크기 증가

GPU 계산 테스트도 있으며 OpenCL, Metal 및 Vulkan을 테스트할 수 있습니다. GPU 계산 벤치마크는 배경 흐림 및 얼굴 감지와 같은 기계 학습 워크로드를 활용하여 객체 인식 기능을 테스트합니다. 또한 수평선 감지, 가장자리 감지, 가우시안 블러와 같은 이미지 편집 워크로드를 실행합니다. 마지막으로 입자 물리학을 시뮬레이션하는 시뮬레이션 벤치마크와 함께 특징 일치 및 스테레오 일치를 실행하는 이미지 합성 워크로드가 있습니다.

Geekbench 6은 어떤 플랫폼을 지원합니까?

Geekbench 6은 다음 플랫폼을 지원하며 일부 플랫폼은 Windows on Arm을 지원합니다. 최고의 노트북 Geekbench 6.1과 함께 제공되도록 설정:

Geekbench의 CPU 벤치마크는 어떻게 작동하나요?

Geekbench의 CPU 벤치마크는 단일 코어 및 멀티 코어 섹션이 있는 여러 주요 테스트로 분류됩니다. 각 섹션은 정수 워크로드와 부동 소수점 워크로드라는 두 개의 하위 섹션으로 그룹화됩니다. 열 문제가 성능에 미치는 영향을 최소화하기 위해 기본적으로 각 테스트 사이에는 2초의 간격이 있습니다.

Geekbench 6에서는 보다 현실적인 작업 부하를 나타내기 위해 여러 스레드에서 작업 부하를 공유하는 멀티스레딩 테스트를 위한 공유 작업 모델을 도입했습니다. 이전에 Geekbench는 개별 스레드에 워크로드를 분산시켰기 때문에 확장성은 좋지만 스레드 간 통신은 거의 제공되지 않습니다. 공유 작업 모델의 경우 각 스레드는 더 큰 공유 작업의 일부를 처리합니다. 확장성이 뛰어나지는 않지만 실제 사용 사례를 더 잘 대표합니다.

점수는 하위 섹션 점수의 가중 산술 평균을 사용하여 계산됩니다. 점수의 65%를 차지하는 하위 섹션과 나머지 35%.

Geekbench가 장치 칩셋의 기능을 테스트하는 방법은 다양한 유형의 작업 부하를 범주로 나누어 테스트합니다. 이러한 범주는 생산성, 개발자, 기계 학습 및 이미지 합성으로 구분됩니다.

Geekbench 6 생산성 워크로드

일상적인 중요한 작업에서 장치의 성능을 테스트하는 워크로드입니다.

파일 압축

파일 압축 워크로드는 장치가 다양한 압축 형식을 사용하여 파일을 압축하고 압축 해제하는 데 얼마나 좋은지 테스트합니다. 이는 사용자가 데이터와 대역폭을 줄이기 위해 파일을 압축하여 다른 사람에게 보낼 수 있는 사용 사례를 모델링합니다. LZ4 및 ZSTD 압축을 사용하여 9,841개의 파일이 포함된 75MB 아카이브인 Ruby 3.1.2 소스 아카이브를 압축합니다. 그런 다음 SHA-1 해시를 통해 압축된 파일을 확인합니다.

그런 다음 이러한 파일은 메모리 내 암호화된 파일 시스템을 사용하여 저장되며, 이 워크로드는 AES 암호화 및 암호 해독을 가속화하는 지침을 사용합니다. 또한 SHA-1 해싱 알고리즘을 가속화하는 지침을 사용합니다.

항해

우리는 모든 종류의 장치, 특히 스마트폰에서 내비게이션을 사용합니다. 내비게이션 워크로드는 일련의 위치 간 방향을 생성하고 오프라인 모드에서 Google 지도와 같은 앱을 사용하는 사람들을 모델링하는 것을 목표로 합니다. Dijkstra의 알고리즘을 사용하여 두 개의 서로 다른 OpenStreetMap 지도에서 24개의 서로 다른 경로를 계산합니다. 하나는 온타리오 주 워털루에 있고 다른 하나는 온타리오 주 토론토에 있습니다.

HTML5 브라우저

HTML5 브라우저는 여러 HTML5 페이지를 열고 Chrome이나 Safari와 같은 최신 브라우저에서 웹을 탐색하는 사용자를 모델링합니다. 헤드리스 브라우저를 사용하고 Instagram, Wikipedia, 아르스 테크니카. 다음 라이브러리를 사용합니다.

• HTML 파서로서의 Google Gumbo
• CSS 파서, 레이아웃 및 렌더링 엔진인 litehtml
• FreeType을 글꼴 엔진으로 사용
• 2D 그래픽 렌더링 라이브러리인 Anti-Grain Geometry
• libjpeg-turbo 및 libpng를 이미지 코덱으로 사용

이 테스트에서는 단일 코어 모드에서 8페이지, 멀티 코어 모드에서 32페이지를 렌더링합니다.

PDF 렌더링

PDF 렌더링 워크로드는 Chrome의 PDF 렌더러인 PDFium을 사용하여 복잡한 PDF 문서를 엽니다. 미국 국립공원관리청(American National Park Service)의 공원 지도 PDF를 897kb에서 1.5MB 크기로 렌더링합니다. 이러한 파일에는 큰 벡터 이미지, 선 및 텍스트가 포함되어 있습니다.

이 테스트는 단일 코어 모드에서 4개의 PDF를 렌더링하고 멀티 코어 모드에서 16개의 PDF를 렌더링합니다.

사진 라이브러리

사진 정리 워크로드는 포함된 개체를 기준으로 사진을 분류하고 태그를 지정하므로 사용자는 이미지 정리 앱에서 키워드로 사진을 검색할 수 있습니다. MobileNet 1.0을 사용하여 사진을 분류하고 SQLite 데이터베이스를 사용하여 태그와 함께 사진 메타데이터를 저장합니다.

이 워크로드는 각 사진에 대해 다음 단계를 수행합니다.

1. 압축된 JPEG 파일에서 사진의 압축을 풉니다.
2. SQLite 데이터베이스에 사진 메타데이터를 저장합니다. 이 데이터베이스는 70,000개 이상의 사진에 대한 메타데이터로 미리 채워져 있습니다.
3. 미리보기 썸네일을 생성하고 JPEG로 인코딩합니다.
4. 추론 썸네일을 생성합니다.
5. 추론 썸네일에서 이미지 분류 모델을 실행합니다.
6. SQLite 데이터베이스에 이미지 분류 태그를 저장합니다.

사진 라이브러리 워크로드는 단일 코어 모드의 사진 16장, 멀티 코어 모드의 사진 64장에서 작동합니다.

Geekbench 6 개발자 워크로드

Geekbench 6의 개발자 워크로드는 장치가 텍스트 편집, 코드 컴파일, 자산 압축과 같은 일반적인 개발자 작업을 얼마나 잘 처리하는지 측정합니다.

그 소리

Clang 컴파일러는 Lua 인터프리터를 컴파일하는 데 사용되며, 코드를 작성하는 개발자의 사용 사례와 사용자가 장치에서 자주 경험하게 될 적시 컴파일을 모델링합니다. 컴파일된 파일의 C 표준 라이브러리로 musl libc를 사용합니다. 싱글 코어 모드에서는 8개 파일, 멀티 코어 모드에서는 96개 파일을 컴파일합니다.

텍스트 처리

텍스트 처리는 수많은 파일을 로드하고, 정규식을 사용하여 해당 내용을 구문 분석하고, SQLite 데이터베이스에 메타데이터를 저장하고, 해당 내용을 다른 형식으로 내보냅니다. 이는 출판 및 통찰력 확보를 위해 데이터를 조작, 분석 및 변환하는 일반적인 텍스트 처리 알고리즘을 모델링합니다.

이 워크로드는 Python 3.9.0을 사용하고 입력을 위해 190개의 마크다운 파일을 처리하는 Python과 C++의 혼합으로 구현됩니다.

자산 압축

자산 압축은 ASTC, BC7, DXT5 등 널리 사용되는 다양한 압축 코덱을 사용하여 3D 텍스처 및 기하학적 자산을 압축합니다. 게임 개발자가 사용하는 표준 콘텐츠 압축 파이프라인을 모델링합니다.

워크로드는 BC& 및 DXTC 구현에 bc7enc를 사용하고 ASTC 구현에 Arm ASTC 인코더를 사용합니다.

기계 학습 워크로드

기계 학습 워크로드는 주로 CPU가 이미지와 장면의 객체 인식을 얼마나 잘 처리할 수 있는지 측정합니다.

객체 감지

객체 감지 워크로드는 기계 학습을 활용하여 사진 속 객체를 감지하고 분류할 수 있습니다. MobileNet v1 SSD라는 컨볼루션 신경망을 사용하여 사진 속 개체를 감지하고 분류하며, 사진 크기는 300x300픽셀입니다. 이미지에서 객체를 식별하기 위해 다음 단계를 수행합니다.

1. 사진을 로드하세요
2. MobileNet v1 SSD를 사용하여 사진에서 개체 추출
3. 탐지의 정확성을 나타내는 신뢰도 또는 탐지 점수를 생성합니다.
4. 객체 주위에 경계 상자를 그리고 신뢰도 점수를 출력합니다.

객체 감지는 싱글 코어 모드에서 16장의 사진, 멀티 코어 모드에서 64장의 사진을 처리합니다.

배경 흐림

배경 흐림 워크로드는 Zoom, Discord, Google Meet과 같은 서비스가 수행할 수 있는 것과 마찬가지로 비디오 스트림에서 전경과 배경을 분리하고 배경을 흐리게 합니다.

이미지 편집

이미지 편집 작업량은 CPU가 단순 이미지 편집과 복잡한 이미지 편집을 얼마나 잘 처리할 수 있는지를 측정합니다.

개체 제거기

개체 제거 워크로드는 사진에서 개체를 제거하고 뒤에 남은 공백을 채워 콘텐츠 인식 채우기와 Google 자체 Magic Eraser를 모델링합니다. 워크로드에는 바람직하지 않은 영역이 포함된 3MP 이미지가 제공되며, 워크로드는 이 영역을 제거하고 인페인팅 방식을 사용하여 남겨진 간격을 재구성합니다.

지평선 감지

수평선 감지 워크로드는 고르지 않거나 구부러진 수평선을 감지하고 곧게 펴서 사진을 개선할 수 있습니다. 사진 편집 앱의 수평선 교정기를 모델링하고 Canny 가장자리 감지기를 사용하여 Hough 변환을 적용하여 수평선을 감지합니다. 48MP 사진을 입력으로 사용합니다.

사진 필터

사진 필터 워크로드는 필터를 적용하여 사진 모양을 향상하고 Instagram과 같은 소셜 미디어 앱의 일반적인 필터를 모델링합니다. 3MP에서 15MP 크기의 사진을 포함한 10장의 다양한 사진에 다음 효과를 적용합니다.

• 색상 및 흐림 필터
• 레벨 조정
• 자르기 및 크기 조정
• 이미지 합성

HDR

HDR 워크로드는 6개의 일반 사진을 혼합하여 다채롭고 생생한 단일 HDR 사진을 만듭니다. 최신 스마트폰 카메라 앱에서 볼 수 있는 HDR 기능을 모델링하여 6개의 16MP 일반 이미지에서 단일 16MP HDR 이미지를 생성합니다.

이미지 합성

이러한 워크로드는 CPU가 완전히 인공적인 이미지 생성을 처리하는 방법을 측정합니다.

광선 추적기

광선 추적은 대세이며 가상 장면에서 광선이 객체와 상호 작용하는 방식을 모델링하여 사실적인 이미지를 생성하는 데 사용할 수 있습니다. 이는 Blender 또는 Cinema 4D와 같은 3D 렌더링 소프트웨어가 사용하는 렌더링 프로세스를 모델링합니다.

모션의 구조

모션 구조는 여러 2D 이미지에서 3D 형상을 생성하는 기술입니다. 증강 현실 시스템은 이와 같은 기술을 사용하여 실제 장면을 이해합니다. 이 워크로드는 동일한 장면의 9개의 2D 이미지를 가져와 두 이미지에 표시되는 점의 3D 좌표 추정치를 구성합니다.

긱벤치 다운로드 방법

Geekbench는 사람들이 최고의 휴대폰, 노트북 및 컴퓨터와 같은 장치를 테스트하는 데 사용하는 벤치마크 중 하나입니다. 정제, 다음에서 다운로드할 수 있습니다. 애플 앱 스토어, Google Play 스토어 및 영장류 연구소 홈페이지.